Máy tính lượng tử có thể tăng tốc độ học Bayes?

Một trong những nhược điểm lớn nhất của việc học Bayes so với học sâu là thời gian chạy: áp dụng định lý Bayes đòi hỏi kiến thức về cách phân phối dữ liệu và điều này thường đòi hỏi tích hợp đắt tiền hoặc một số cơ chế lấy mẫu (với nhược điểm tương ứng).

Vì vào cuối ngày tất cả là về sự lan truyền phân phối, và đây là (theo như tôi hiểu) bản chất của điện toán lượng tử, có cách nào để thực hiện những điều này một cách hiệu quả không? Nếu có, những hạn chế nào được áp dụng?

Chỉnh sửa ( liên kết liên quan trực tiếp ):

machine-learning bayesian-learning

— fr_andres
nguồn

Không có nhiều công việc về điều này (mà tôi biết). Đối với các mạng Bayes, có 1404.0055 , trong đó tác giả sử dụng một biến thể của tìm kiếm Grover để đạt được tốc độ tăng bậc hai. Về chủ đề liên quan của Mô hình Markov cũng có vài điều, xem các tài liệu tham khảo trên wiki và 1611.08104 . Tôi không đủ điều kiện để xây dựng một câu trả lời trong số này mặc dù.

— glS

@glS chỉ muốn nói với bạn về câu trả lời của HC, trông thực sự thú vị (trong trường hợp bạn không biết về bài báo đó). Cảm ơn rất nhiều về các tài liệu tham khảo và giải thích ngắn gọn của bạn, nếu bạn muốn tóm tắt một số câu trả lời, tôi sẽ rất vui mừng khi nâng cấp nó

— fr_andres

Các quy trình Gaussian là một thành phần chính của quy trình xây dựng mô hình ở cốt lõi của Tối ưu hóa Bayes. Do đó, tăng tốc đào tạo các quy trình Gaussian trực tiếp tăng cường Tối ưu hóa Bayes. Bài báo gần đây của Zhao et. al trên các thuật toán lượng tử để đào tạo các quy trình Gaussian thực hiện chính xác điều này.

— hy vọng mạch lạc
nguồn

Chỉ để bổ sung cho câu trả lời của bạn, cùng một tác giả gần đây đã xuất bản một bài báo mới , nơi họ sử dụng đào tạo lượng tử của Quy trình Gaussian để đào tạo kiến trúc học sâu, cung cấp tốc độ (lý thuyết) đối với đào tạo cổ điển.

— Alex